論文の概要: Towards Reducing Severe Defocus Spread Effects for Multi-Focus Image Fusion via an Optimization Based Strategy

• arxiv url: http://arxiv.org/abs/2012.14678v1
• Date: Tue, 29 Dec 2020 09:26:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-19 03:27:42.593160
• Title: Towards Reducing Severe Defocus Spread Effects for Multi-Focus Image Fusion via an Optimization Based Strategy
• Title（参考訳）: 最適化に基づく多焦点画像融合におけるデフォーカス拡散効果の低減に向けて
• Authors: Shuang Xu and Lizhen Ji and Zhe Wang and Pengfei Li and Kai Sun and Chunxia Zhang and Jiangshe Zhang
• Abstract要約: マルチフォーカス画像融合(MFF)はオールインフォーカス画像を生成する一般的な技術である。 本稿では,デフォーカス拡散効果を低減するための最適化手法を提案する。 実世界データセット上で行った実験は,提案モデルの優位性を検証した。
• 参考スコア（独自算出の注目度）: 22.29205225281694
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-focus image fusion (MFF) is a popular technique to generate an all-in-focus image, where all objects in the scene are sharp. However, existing methods pay little attention to defocus spread effects of the real-world multi-focus images. Consequently, most of the methods perform badly in the areas near focus map boundaries. According to the idea that each local region in the fused image should be similar to the sharpest one among source images, this paper presents an optimization-based approach to reduce defocus spread effects. Firstly, a new MFF assessmentmetric is presented by combining the principle of structure similarity and detected focus maps. Then, MFF problem is cast into maximizing this metric. The optimization is solved by gradient ascent. Experiments conducted on the real-world dataset verify superiority of the proposed model. The codes are available at https://github.com/xsxjtu/MFF-SSIM.
• Abstract（参考訳）: マルチフォーカス画像融合(MFF)は、シーン内の全てのオブジェクトがシャープなオールインフォーカス画像を生成する一般的な技術である。 しかし,既存の手法は実世界のマルチフォーカス画像のデフォーカス拡散効果にはほとんど注意を払わない。 したがって、ほとんどの方法はフォーカスマップの境界付近でうまく動作しない。 融合画像内の各局所領域はソース画像中の最も鋭い領域に類似すべきであるという考えに基づき,デフォーカス拡散効果を低減するための最適化に基づく手法を提案する。 まず、構造類似性の原理と検出された焦点マップを組み合わせることで、新しいMFFアセスメントを示す。 そして、MFF問題は、この計量を最大化する。 最適化は勾配上昇によって解決される。 実世界のデータセットで行った実験は、提案モデルの優位性を検証する。 コードはhttps://github.com/xsxjtu/mff-ssimで入手できる。

関連論文リスト

• Multi-Focus Image Fusion based on Gradient Transform [0.0]
  上記の問題に対して頑健な新しい勾配情報に基づく多焦点画像融合法を提案する。 提案手法は,視覚的,客観的に17種類の新しい手法と従来手法を比較した。 提案手法は視覚的評価により有望であり, 客観的評価により6つの指標のうち5つのうち83.3%が第一に達成されている。
  論文  参考訳（メタデータ） (2022-04-20T20:35:12Z)
• Learning to Deblur using Light Field Generated and Real Defocus Images [4.926805108788465]
  デフォーカス・デブロワーリングは、デフォーカス・ボケの性質が空間的に変化するため、困難な作業である。 本稿では,光の強度を活用し,光源の欠点を克服する新しいディープデフォーカス・デブロアリング・ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-04-01T11:35:51Z)
• Precise Point Spread Function Estimation [6.076995573805468]
  我々はデフォーカス過程を記述するために,カメラの点展開関数の正確な数学的モデルを開発する。 標準平面および実物体に関する実験により,提案アルゴリズムがデフォーカス過程を正確に記述できることが示されている。
  論文  参考訳（メタデータ） (2022-03-06T12:43:27Z)
• Benchmarking Deep Deblurring Algorithms: A Large-Scale Multi-Cause Dataset and A New Baseline Model [137.53883190367844]
  ほとんどの実世界の画像では、ブラーは動きやデフォーカスなど様々な要因によって引き起こされる。 本稿では, 一般のぼやけに対して, 異なる脱臭法がどのように作用するかを考察する。 本稿では,複数の原因のぼかしに対応するために,新たなベースラインモデルであるレベルアテンションデブロアリングネットワークを提案する。
  論文  参考訳（メタデータ） (2021-12-01T02:10:42Z)
• Gaussian Kernel Mixture Network for Single Image Defocus Deblurring [34.57985745690651]
  本稿では,1枚の画像からデフォーカスのぼかしを除去するエンド・ツー・エンドのディープラーニング手法を提案する。 空間的に変化するデフォーカスボケカーネルを表現するために,GKMモデルを提案する。 GKMNetと呼ばれるディープニューラルネットワークは、GKMベースのデブロアリングの固定点反復をアンロールすることによって開発される。
  論文  参考訳（メタデータ） (2021-10-31T10:16:09Z)
• Light Field Saliency Detection with Dual Local Graph Learning andReciprocative Guidance [148.9832328803202]
  我々は、グラフネットワークを介して焦点スタック内のインフォメーション融合をモデル化する。 我々は、全焦点パタンを用いて焦点スタック融合過程をガイドする新しいデュアルグラフモデルを構築した。
  論文  参考訳（メタデータ） (2021-10-02T00:54:39Z)
• Deep Reparametrization of Multi-Frame Super-Resolution and Denoising [167.42453826365434]
  本稿では,多フレーム画像復元作業によく用いられる最大後部定式化の深部再パラメータ化を提案する。 提案手法は,学習された誤差メトリックと,対象画像の潜在表現を導入することによって導かれる。 我々は、バースト復調およびバースト超解像データセットに関する包括的な実験を通して、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2021-08-18T17:57:02Z)
• Single image deep defocus estimation and its applications [82.93345261434943]
  画像パッチを20レベルの曖昧さの1つに分類するために、ディープニューラルネットワークをトレーニングします。 トレーニングされたモデルは、反復重み付きガイドフィルタを適用して改善するパッチのぼかしを決定するために使用される。 その結果、デフォーカスマップは各ピクセルのぼやけた度合いの情報を運ぶ。
  論文  参考訳（メタデータ） (2021-07-30T06:18:16Z)
• BaMBNet: A Blur-aware Multi-branch Network for Defocus Deblurring [74.34263243089688]
  畳み込みニューラルネットワーク(CNN)は、デフォーカス劣化問題に導入され、大きな進歩を遂げた。 本研究では,異なる領域(ブラー量が異なる)を区別して扱う新しいマルチブランチネットワーク(BaMBNet)を設計する。 定量的および定性的な実験は、BaMBNetが最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2021-05-31T07:55:30Z)
• Light Field Reconstruction via Attention-Guided Deep Fusion of Hybrid Lenses [63.05192055613281]
  本稿では,ハイブリットレンズを用いた高分解能光場(LF)画像の再構成問題について検討する。 入力の特定の特性を総合的に活用できる,新しいエンドツーエンド学習手法を提案する。 当社のフレームワークは、高解像度LFデータ取得のコストを削減し、LFデータストレージと伝送に利益をもたらす可能性があります。
  論文  参考訳（メタデータ） (2021-02-14T06:44:47Z)
• Geometric Scene Refocusing [9.198471344145092]
  本研究では,焦点スタックの文脈における浅層深度画像の微視的特徴について検討する。 焦点内画素、二重焦点画素、焦点スライス間のボケと空間的に異なるぼやけたカーネルを示す画素を同定する。 幾何的に正しい方法で捕獲後再フォーカスのための包括的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-20T06:33:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。